Determinación de los niveles de riesgo por deslizamiento traslacional utilizando algoritmos de aprendizaje supervisado en el centro poblado de Maizhondo, Ayacucho - 2024

• Autor: Meza Gonzales, Carlos Eduardo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional San Cristóbal de Huamanga
• Repositorio: UNSCH - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsch.edu.pe:20.500.14612/8187
• Enlace del recurso: https://repositorio.unsch.edu.pe/handle/20.500.14612/8187
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje supervisado; Deslizamiento traslacional; Riesgo; Estrategias preventivas; Desastres naturales; https://purl.org/pe-repo/ocde/ford#2.01.01

El presente proyecto de investigación tuvo como finalidad determinar los niveles de riesgo por deslizamiento traslacional en las áreas de expansión urbana del centro poblado de Maizhondo, mediante la implementación de algoritmos de aprendizaje supervisado, específicamente redes neuronales artificiales. Esta herramienta tecnológica se planteó como una alternativa innovadora para la clasificación automatizada del riesgo, facilitando la identificación oportuna de zonas críticas y fortaleciendo la toma de decisiones en la gestión del riesgo. Para ello, se desarrolló un modelo predictivo capaz de evaluar, por separado, los niveles de peligrosidad y vulnerabilidad. En la etapa de evaluación de la peligrosidad, el modelo alcanzó una precisión del 94.85 %, con una tasa de efectividad del 97.56 % en la clasificación de los casos. Por su parte, el modelo de vulnerabilidad logró una precisión del 98.24 %, y una efectividad del 85.37 % en la clasificación dentro de los rangos definidos. Posteriormente, se integraron ambos factores para calcular el nivel de riesgo mediante una lógica de intersección, obteniendo una precisión del 82.93% en la clasificación final. Los resultados obtenidos evidencian el potencial de los modelos de aprendizaje supervisado como herramientas de apoyo en la gestión del riesgo,demostrando una alta capacidad predictiva y un bajo margen de error, contribuyendo al fortalecimiento de estrategias preventivas frente a desastres naturales.